Прогноз у ковзному вікні GARCH

Моделі GARCH у Python

Chelsea Yang

Data Science Instructor

Ковзне вікно для позавибіркового прогнозу

Цікава частина фінансового моделювання: передбачити невідоме

Мистецтво прогнозування

Прогноз у ковзному вікні: багаторазово оцінювати модель і прогнозувати в міру руху часу вперед

Ковзання

Моделі GARCH у Python

Прогноз із розширюваним вікном

Безперервно додавати нові точки даних до вибірки

Прогноз із розширюваним вікном

Моделі GARCH у Python

Мотивація прогнозу в ковзному вікні

  • Уникати lookback bias
  • Менший ризик перенавчання
  • Адаптувати прогноз до нових спостережень
Моделі GARCH у Python

Реалізація прогнозу з розширюваним вікном

Прогноз із розширюваним вікном:

for i in range(120):
    gm_result = basic_gm.fit(first_obs = start_loc, 
                             last_obs = i + end_loc, disp = 'off')
    temp_result = gm_result.forecast(horizon = 1).variance
Моделі GARCH у Python

Прогноз у фіксованому ковзному вікні

Нові точки даних додаються, а старі вилучаються з вибірки

Прогноз у фіксованому ковзному вікні

Моделі GARCH у Python

Реалізація прогнозу у фіксованому ковзному вікні

Прогноз у фіксованому ковзному вікні:

for i in range(120):
    # Specify rolling window range for model fitting
    gm_result = basic_gm.fit(first_obs = i + start_loc, 
                             last_obs = i + end_loc, disp = 'off')
    temp_result = gm_result.forecast(horizon = 1).variance
Моделі GARCH у Python

Як визначити розмір вікна

Зазвичай визначають індивідуально

  • Надто широке вікно: застарілі дані, що підвищують дисперсію

  • Надто вузьке вікно: бракує релевантних даних, що підвищує зміщення

Оптимальний розмір вікна: компроміс між зміщенням і дисперсією

Ілюстрація балансу

Моделі GARCH у Python

Давайте потренуємось!

Моделі GARCH у Python

Preparing Video For Download...